基于改进的MaskR-CNN模型的卫星遥感图像农田块分割方法技术

本发明专利技术提供了基于改进的Mask R

【技术实现步骤摘要】
基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法


[0001]本专利技术涉及遥感图像处理
，更具体地，涉及基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法。

技术介绍

[0002]卫星遥感技术经过多年的发展，无论在光谱分辨率、空间分辨率、时间分辨率等方面都取得了巨大的进步，已经形成高光谱、高空间分辨率、全天时、全天候、实时/准实时的对地观测能力。高分辨率卫星遥感图像主要包括的特征有：地物纹理信息丰富、成像光谱波段多、重访时间短，在高分辨率下实现对小范围精确探测的技术在国内外军民领域已得到广泛应用。随着海量卫星遥感数据的大量获取，智能化、精准农业应用成为热点和趋势，如智能病虫害监控、农作物长势监测、农药喷洒和无人播种等，而如何从海量的高分辨率卫星遥感数据中提取农田和农作物的空间分布要素，成为制约精准农业发展的关键技术。
[0003]农田块是卫星遥感图像中具有明显边缘的一块独立农田区域，目前，无人机农药喷洒和无人机播种过程中需要的农田块边界基本都是通过人工方式提取的，其效率低、成本高，且数据分布零散无法实现集中管理和更新。因此，农田块边界的自动、精确提取是精准农业应用的一项关键技术。近年来，计算机视觉和机器学习取得了快速发展，其中图像地物分类和语义分割法层出不穷。但现有图像分类和语义分割方法只能区分不同类别的地物类型或目标，而不能很好地实现单个农田块的分割和边界提取。因此，实际应用中亟需一种针对高分辨率卫星遥感图像的快速有效的农田边界精准提取和分割的方法，能够提供语义完整的、精确的农田块边界。最近几年，作为语义分割的进一步延伸，能够区分不同地物类型的同时，也能区分属于同一类型的不同对象个体的实例分割方法开始引起行业关注。
[0004]公开号：CN107563413A，公开日为2018
‑
01
‑
09的无人机航拍影像农田块对象精准提取方法，该专利技术提供了一种无人机航拍影像农田块对象精准提取方法，首先利用轮廓检测获得图像边缘信息，再利用分水岭变换获得底层分割块，并给予轮廓强度生成多尺度的分割图，最后通过有监督的图像分类来实现非农田区域剔除。但该方法仅利用光谱信息进行农田边缘检测，没有结合农田对象的空间语义信息对农田边界进行优化，得到的农田边界可用性不高，而且无人机航拍范围小、成本高，在实际农业应用上比较受限。
[0005]公开号：CN108830870，公开日为2018
‑
11
‑
16的基于多尺度结构学习的卫星影像高精度农田边界提取方法，该专利技术综合提取农田块的光谱、纹理、边缘和对象结构信息作为特征并进行多尺度边缘信息融合，通过利用条件随机场对农田块的空间分布位置进行建模，提高了农田边界的可用性。但是该方法是人工提取特征，不仅可能将重要特征遗漏，还可能没有考虑到特征之间的冗余性和权重比例。

技术实现思路

[0006]本专利技术为克服上述技术问题，提供一种结合农田对象的空间语义信息并无需人工提取特征的改进Mask R
‑
CNN的卫星遥感图像农田块分割与定位方法。
[0007]本专利技术技术方案如下：
[0008]基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，包括：
[0009]S1：获取卫星遥感图像，对所述遥感图像进行预处理，得到归一化遥感图像，根据所述归一化遥感图像中是否有云，划分为有云遥感图像和无云遥感图像；
[0010]S2：使用改进的Mask R
‑
CNN模型分割有云遥感图像中的云，得到无云掩膜图像，然后将无云掩膜图像与同一区域不同时相的遥感图像互补合成无云遥感图像，从而使所有归一化遥感图像均为无云图像；
[0011]S3：将无云遥感图像作为训练集，输入到改进的Mask R
‑
CNN模型进行模型训练，得到训练好的农田分割模型；
[0012]S4：将待分割农田的遥感图像输入训练好的农田分割模型，得到农田边界的分割结果；
[0013]其中，所述改进的Mask R
‑
CNN模型的特征提取部分采用PANet结构。
[0014]本技术方案提出了基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，使用Mask R
‑
CNN模型进行训练，除光谱特征外，训练过程中模型会自动提取感图像中的农田块纹理特征，结合纹理特征的空间语义信息和光谱特征，得到可用性高的农田边界，并且Mask R
‑
CNN能够对卫星遥感图像中的农田块自动提取特征，相较于人工提取农田块特征，具有准确高效、鲁棒性高的技术优势；通过PANet结构替换FPN结构改进Mask R
‑
CNN模型，加强多尺度特征融合，提升Mask R
‑
CNN模型实例分割效果。
[0015]进一步地，步骤S1所述预处理包括：
[0016]S11：获取卫星遥感图像的RPC信息；
[0017]S12：基于RPC信息分别对卫星遥感图像的多光谱和全色数据进行正射校正；
[0018]S13：以全色数据为基准对多光谱数据进行配准；
[0019]S14：对配准后的图像进行图像融合操作；
[0020]S15：对融合后的图像进行辐射定标和大气校正。
[0021]进一步地，步骤S1所述预处理还包括图像剪裁，具体为：
[0022]S16：按照预设尺寸将图像剪裁成预设大小的归一化遥感图像。
[0023]进一步地，步骤S13采用ENVI平台进行配准。
[0024]进一步地，所述图像剪裁是根据经纬度坐标进行剪裁。
[0025]进一步地，步骤S2所述使用改进的Mask R
‑
CNN模型分割有云遥感图像中的云包括：
[0026]S21：标注有云遥感图像中的云；
[0027]S22：将已标注的有云遥感图像作为训练集；输入到改进的Mask R
‑
CNN模型进行模型训练，得到训练好的云分割模型
[0028]S23：使用云分割模型分割未标注的有云遥感图像中的云。
[0029]进一步地，步骤S3训练得到农田分割模型包括：
[0030]S31：标注无云遥感图像中的农田区域；
[0031]S32：将已标注的无云遥感图像作为训练集；输入到改进的Mask R
‑
CNN模型进行模型训练，得到训练好的农田分割模型。
[0032]进一步地，步骤S32为将一部分已标注的无云遥感图像划分为训练集，此外，还将
剩余的无云遥感图像划分为测试集和验证集，测试集用于评估农田分割模型的精度，验证集用于在训练过程中对农田分割模型调参。
[0033]进一步地，所述卫星遥感图像为高分二号卫星拍摄的遥感图像数据。
[0034]进一步地，步骤S4所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，其特征在于，包括：S1：获取卫星遥感图像，对所述遥感图像进行预处理，得到归一化遥感图像，根据所述归一化遥感图像中是否有云，划分为有云遥感图像和无云遥感图像；S2：使用改进的Mask R
‑
CNN模型分割有云遥感图像中的云，得到无云掩膜图像，然后将无云掩膜图像与同一区域不同时相的遥感图像互补合成无云遥感图像，从而使所有归一化遥感图像均为无云图像；S3：将无云遥感图像作为训练集，输入到改进的Mask R
‑
CNN模型进行模型训练，得到训练好的农田分割模型；S4：将待分割农田的遥感图像输入训练好的农田分割模型，得到农田边界的分割结果；其中，所述改进的Mask R
‑
CNN模型的特征提取部分采用PANet结构。2.根据权利要求1所述的基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，其特征在于，步骤S1所述预处理包括：S11：获取卫星遥感图像的RPC信息；S12：基于RPC信息分别对卫星遥感图像的多光谱和全色数据进行正射校正；S13：以全色数据为基准对多光谱数据进行配准；S14：对配准后的图像进行图像融合操作；S15：对融合后的图像进行辐射定标和大气校正。3.根据权利要求2所述的基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，其特征在于，步骤S1所述预处理还包括图像剪裁，具体为：S16：按照预设尺寸将图像剪裁成预设大小的归一化遥感图像。4.根据权利要求2所述的基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，其特征在于，步骤S13采用ENVI平台进行配准。5.根据权利要求3所述的基于改进的Mask R
‑
CNN模型的卫星遥感图像农田块分割方法，其特征在于，所述图像剪裁是根据经纬度...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：广州华农大智慧农业科技有限公司，
类型：发明
国别省市：